پيش بيني عقب زدگي ناشي از انفجار در معدن مس سونگون به روش عصبي- فازي

Prediction of backbreak to blasting in Sungun copper mine using Neuro-fuzzy methods

عقب زدگي يكي از عوارض نامطلوب در انفجارهاي معدن مس سونگون مي باشد. قدم اول براي كنترل اين پديده ناخواسته شناخت پارامترهاي موثر بر آن و ساخت مدلي براي پيش بيني آن به وسيله پارامترهاي موثر است. براي پيش بيني عقب زدگي معدن سونگون از روش عصبي- فازي، ANFIS به عنوان يكي از قدرتمندترين روش هاي هوش مصنوعي استفاده شده است. همچنين جهت بررسي كارايي مدل نسبت به ساير روشها، مدلهاي رگرسيون چند متغيره و شبكه عصبي مصنوعي نيز جهت مقايسه ساخته شدند. داده هاي لازم جهت مدلسازي از بررسي 88 سايت انفجاري معدن سونگون بدست آمد. 9 پارامتر به عنوان ورودي مدلها و عقب زدگي به عنوان خروجي مدلهاي مذكور تعيين شدند. نتايج حاصل با استفاده از داده هاي آزمون مورد ارزيابي قرار گرفت. ضريب همبستگي و جذر مجموع مربعات خطاي حاصل از ارزيابي به ترتيب براي مدل رگرسيون برابر 0/52 و 3/15، براي مدل شبكه عصبي مصنوعي برابر 0/88 و 1/83 و در نهايت مدل ANFIS برابر 0/93 و 1/26 بدست آمد. تحليل حساسيت انجام شده روي پارامترهاي ورودي مدل ANFIS نشان دهنده اين بود كه مقدار خرج ويژه، طول گل گذاري، عمق چال، مقدار بار سنگ و حفاري ويژه به ترتيب بيشترين تاثير را در پيش بيني مقدار عقب زدگي دارند.

Backbreak is one of the unpleasant side effects of blasting in Sungun copper mine. The first step to control this phenomenon is to get familiar with the parameters that have effects on it and also to prepare a model which is able to predict the side effects brought by the effective parameters. In order to predict the backbreak of Sungun mine, the Neuro-fuzzy method (ANFIS), as the most impressive methods of artificial intelligence is used. In addition, to estimate the efficiency of the model in comparison with the other methods, the multivariate regression model and artificial neural network were made. The necessary data for modeling were collected from 88 blasting sites of Sungun mine. 9 parameters were used as the input data and the backbreak was the output of the model. The results were compared with the testing data. Correlation coefficient and the square root of sum error were calculated and the results were respectively obtained as follows: For regression model 0.52 and 3.15, for the artificial neural network model 0.88 and 1.83 and the ANFIS model, the 0.93 and 1.26. The sensitivity analysis on the input data of ANFIS showed that the powder factor, stemming, length of hole, burden and specific drilling respectively have the most effect on predicting the backbreaking.